CVPRNov, 2021

Deformable ProtoPNet：使用可变形原型的可解释图像分类器

PDF
TL;DRDeformable ProtoPNet 是一种结合了深度学习和基于案例推理的可解释图片分类器。该模型通过与训练中学习到的原型进行比较来对输入图像进行分类，同时提供 “这看起来像那个” 的解释。与之前的方法不同的是，我们通过提出空间灵活的原型来解决空间固定原型的缺陷。每个原型由几个典型的部分组成，这些部分根据输入图像自适应地改变它们的相对空间位置。相比其他使用原型的基于案例的可解释模型，我们的方法在准确度和提供的解释的丰富性方面均达到了最新水平。
deformable protopnetinterpretable image classifierdeep learningcase-based reasoningspatially flexible prototypes
发现论文，激发创造
  • 这像那样：用深度学习进行可解释的图像识别

    介绍了 ProtoPNet，一种深度神经网络架构，该模型通过识别图像的原型部分并将原型部分的证据结合起来，类似于鸟类学家、医生和其他人解决图像分类任务的方式，提供了一定程度的可解释性，并在 CUB-200-2011 数据集和 Stanford Cars 数据集上实现了可比较的准确性。

    Jun, 2018

  • MProtoNet: 基于案例的可解释性模型用于三维多参数磁共振成像的脑肿瘤分类

    本文提出了一种基于 ProtoPNet 的神经网络模型，即 MProtoNet，用于处理 3D mpMRI 数据并实现脑肿瘤分类。该模型引入了一种新的注意力机制，结合软化掩膜和在线 CAM 损失函数，在没有人工标签的情况下显著提高了正确性和定位一致性的解释度指标。

    Apr, 2023

  • 看起来比那个更好：使用 ProtoPNeXt 获得更好的可解释模型

    使用 ProtoPNeXt 框架，结合贝叶斯超参数调整和角度原型相似度度量，有效提高了原始 ProtoPNet 在 CUB-200 上的准确性，同时优化了原型的可解释性，产生了具有显著改进的模型。

    Jun, 2024

  • ProtoArgNet：具有超级原型和论证的可解释图像分类

    这篇论文提出了 ProtoArgNet，这是一种新颖的可解释的深度神经网络架构，用于图像分类，例如 ProtoPNet 中的原型部分学习。ProtoArgNet 使用超级原型，将原型部分组合成单一的原型类表示。此外，ProtoArgNet 采用多层感知器提高准确性，并依赖基于一种论证形式的可解释的阅读方式。ProtoArgNet 可以通过多层感知器 / 论证组件的稀疏化过程适应用户的认知需求。与其他原型部分学习方法不同，ProtoArgNet 可以识别图像中不同区域的不同原型部分之间的空间关系，类似于 CNN 在较早的层中捕捉到的模式之间的关系。

    Nov, 2023

  • 可解释的图像分类与可微分原型分配

    ProtoPool 是一种可解释的图像分类模型，共享类别的原型池，并采用完全可微分的方法将原型分配给特定的类别，同时还引入了新颖的聚焦相似函数，将模型集中于罕见的前景特征，它在 CUB-200-2011 和 Stanford Cars 数据集上取得了最先进的准确性，同时大大减少了原型的数量。

    Dec, 2021

  • 使用 PIP-Net 解读和修正医学图像分类

    本文探讨了可解释性机器学习在实际医学影像数据自动诊断支持方面的适用性和潜力，尤其是 PIP-Net 原型部分模型，对于骨折检测和皮肤癌诊断的准确性和可解释性进行了评估。

    Jul, 2023

  • Proto-BagNets 的本地和全局可解释性设计

    介绍了 Proto-BagNets，一种可解释性设计的基于原型的模型，结合了局部特征模型和原型学习的优势，为准确和可解释的图像分类任务提供了有意义、连贯和相关的原型部分。在公开可用的视网膜 OCT 数据上对 Proto-BagNet 进行了玻璃体腔检测的评估，Proto-BagNet 在提供忠实、准确和临床有意义的局部和整体解释的同时，与最先进的可解释和不可解释模型的性能相当。

    Jun, 2024

  • 基于像素锚点的原型部件网络

    基于原型部件的神经网络（ProtoPartNNs）及其衍生物是一种本质上可解释的机器学习方法。我们提出了 Pixpnet，这是唯一能真正学习和定位于原型对象部分的 ProtoPartNN，通过采用基于位置感受野的架构约束和基于像素的映射，我们实现了可度量的改进可解释性而不牺牲准确性。

    Sep, 2023

  • 用奖励重新加权、重新选择和重新训练提升原型部分网络

    通过人类反馈加强训练的模型 (R3-ProtoPNet) 提高解释性，同时保持可理解性，适用于多模型集成提高预测性能。

    Jul, 2023

  • ProtoPFormer：基于原型部件的视觉 Transformer 模型用于可解释的图像识别

    本文针对 prototypical part network 在 vision transformer 上的应用存在的 “干扰” 问题，提出了 prototypical part transformer 方法，引入全局和局部原型来捕捉和突出目标的代表性整体和部分特征，并通过显式监督控制局部原型，从而提高整体的可解释性与表现。

    Aug, 2022